基于深度学习考虑未知扰动类型的电力系统扰动识别方法与流程

1.本发明属于电力系统电能质量分析领域，具体地，涉及一种基于深度学习考虑未知扰动类型的电力系统扰动识别方法。


背景技术：

2.传统的电网扰动识别领域，主要是针对基于模型驱动的一些离线方法，需要通过电力系统的拓扑结构和参数来对电网建模，根据电力系统扰动的特征和触发机理对扰动类型进行识别。如，传统的扰动识别方法多基于实时的同步相位测量装置(pmu)数据和电力系统的潮流计算，这需要知道准确的电力系统拓扑结构及其运行状况，且对电力系统各部分之间信息的互联互通性有一定要求。有技术基于电网的功率平衡模型、行为特性和特定状态信息，构建有约束优化问题，作为电网提前预警系统或更大的多模型检测系统中的补充检查方法。也有技术研究将直流潮流模型重新表述为稀疏过完备扩展，并利用压缩采样和变量选择来识别电力系统断线故障。有技术基于母线电压，通过使用阻抗矩阵和最大可用故障电流来预测母线电压幅值，并通过将测量和预测的母线电压幅值求差来估计误差函数，从而进行扰动识别。还有技术根据系统事件前后同步相位测量装置所观测到的母线电压相角差，构建并解优化问题，用以检测系统事件的发生。有学者研发了大电网安全分析、预警及控制系统，能够初步预演、分析和预警各类电网故障与事故。
3.然而，随着电力系统的高度智能化和自动化的不断发展，另一方面大量的测量手段和多时间尺度数据的积累，亦对电网的运行分析和评估带来新的挑战，传统的基于“模型驱动型”的电网扰动识别技术存在以下问题：
①
电力系统规模越来越大，大规模区域互联、交直流混联等现象导致电网形态日趋复杂，电网逐渐转变为高维动态系统，基于电力系统准确模型的扰动识别方法越来越难以建立和计算；
②
高比例新能源的接入导致电网的运行方式日趋复杂，电网的波动性、不确定性增加，基于模型驱动的方法无法在线更新，难以适应目前电网复杂多变的运行方式；
③
电力系统与其他多种能源系统之间的耦合关系日渐紧密，未来将形成以电为核心的综合能源系统，对于模型构建、参数优化等传统方法可能难以适应智能电力系统的快速发展并满足电力系统对精度或者效率的要求；
④
由于计算能力的限制，“模型驱动型”方法可能对计算效率要求较高，难以做到实时计算，从而失去扰动识别的快速性；
⑤
基于模型驱动方法多注重对扰动的机理分析，而对于未知类型扰动，由于无法掌握其变化特性，难以对其进行判断。
4.因此，迫切需要开展智能电网信息物理环境下数据驱动的电力系统扰动识别相关的数据生成与预处理技术、考虑未知扰动类型的扰动分类等问题的研究。


技术实现要素：

5.本发明的目的在于克服现有技术难以对新型电网中的扰动进行实时在线识别的缺陷，提供一种基于深度学习考虑未知扰动类型的电力系统扰动识别方法，实现新型智能电网背景下的基于数据驱动的电网扰动判别。
6.为了实现上述目的，本发明所采用的技术方案如下：
7.一种基于深度学习考虑未知扰动类型的电力系统扰动识别方法，包括以下步骤：
8.s1、根据电力系统参数，利用电网暂态仿真数据和电网历史运行数据，获取各类扰动发生时正序电压、负序电压、零序电压的时间序列数据，生成电力系统的时间序列扰动数据集；
9.s2、采用滤波技术对电力系统的时间序列扰动数据集进行去噪；
10.s3、根据特征指标对时间序列扰动数据集进行特征提取，获得扰动特征数据并以扰动特征数据对应的扰动类型为标签，生成扰动识别特征样本集，并划分为训练集和测试集；
11.s4、构建包含深度神经网络和启发式判断层的基于深度神经网络的电力系统扰动识别复合模型，利用训练集数据及其对应的扰动类型标签对深度神经网络进行训练；
12.s5、将测试集数据输入基于深度神经网络的电力系统扰动识别复合模型，深度神经网络输出预分类结果，根据预分类结果以及测试集数据与训练集数据的相似性判定，启发式判断层输出考虑未知扰动类型的最终扰动识别结果。
13.进一步地，电力系统参数包括电力系统的网架结构、电力系统所含电气设备的物理参数，以及不同运行方式下的发电机组出力和负荷需求数据；
14.电网暂态仿真数据为电网通过各种可进行电力系统暂态仿真计算的分析软件进行暂态计算仿真生成数据；
15.电网历史运行数据为电网实际运行期间，发生扰动时所记录下来的时间序列的母线电压的历史运行数据；
16.各类扰动发生时正序电压、负序电压、零序电压的时间序列数据为母线发生单相短路接地、两相短路、两相短路接地、三相短路、感应电机自启动或其他不同类型扰动时，母线的正序电压幅值、负序电压幅值、零序电压幅值和相位的时间序列数据。
17.进一步地，滤波技术为滑动平均值滤波，滤波公式为：
[0018][0019]
式中，k为滤波器窗口长度，为滤波前数据，{xi,i＝1,2,...,n-k 1}为滤波后的数据。
[0020]
进一步地，特征指标包括峭度因子、时序总变化量、c3系数、fft频谱中心、功率谱密度和标准差。
[0021]
进一步地，对于一条时间序列扰动数据集{xi,i＝1,2,...,n}，峭度因子k衡量扰动波形的平缓程度，峭度因子k的公式为：
[0022][0023]
式中，xi为时间序列扰动数据集中的第i个数据，n为一条时间序列扰动数据集的
长度，为时间序列扰动数据集的平均值；
[0024]
时序总变化量c
abs
衡量扰动波形的变化幅度，时序总变化量c
abs
的公式为：
[0025][0026]
式中，x
i 1
为时间序列扰动数据集中的第i 1个数据；
[0027]
c3系数衡量扰动波形的非线性程度，c3系数的公式为：
[0028][0029]
式中，x
i 2lag
为时间序列扰动数据集中的第i 2lag个数据，x
i lag
为时间序列扰动数据集中的第i lag个数据，lag为人为设置的表示相位滞后的整数；
[0030]
fft频谱中心c
fft
衡量扰动波形的频域分布，fft频谱中心c
fft
为扰动数据的离散傅里叶变换绝对值的频谱中心，n点离散傅里叶变换的公式为：
[0031][0032]
式中，e为自然底数；
[0033]
功率谱密度s
xx
(m)衡量扰动波形的功率谱分布，功率谱密度s
xx
(m)的公式为：
[0034][0035]
式中，
*
表示共轭；
[0036]
标准差σ衡量扰动波形的统计分布，标准差σ的公式为：
[0037][0038]
进一步地，深度神经网络包括深度神经网络1、深度神经网络2和深度神经网络0，深度神经网络1输出正序数据分类结果，深度神经网络2输出负序数据分类结果，深度神经网络0输出零序数据分类结果，正序数据分类结果、负序数据分类结果、零序数据分类结果分别输入启发式判断层。
[0039]
进一步地，分别比较正序测试集数据与正序数据分类结果对应的正序训练集数据、负序测试集数据与负序数据分类结果对应的负序训练集数据、零序测试集数据与零序数据分类结果对应的零序训练集数据，获得正序相似性度量值、负序相似性度量值和零序相似性度量值分别为：
[0040]
[0041]
式中，sim1为正序相似性度量值，sim2为负序相似性度量值，sim0为零序相似性度量值，为正序测试集数据，为负序测试集数据，为零序测试集数据，x
y1
为正序训练集数据，x
y2
为负序训练集数据，x
y0
为零序训练集数据。
[0042]
进一步地，分别比较正序训练集数据、负序训练集数据、零序训练集数据中的任意两条数据，获得正序相似性阈值、负序相似性阈值和零序相似性阈值分别为：
[0043][0044]
式中，为正序相似性阈值，为负序相似性阈值，为零序相似性阈值，xa和xb为对应训练集数据中的任意两条数据。
[0045]
进一步地，较正序相似性度量值和正序相似性阈值，获得正序扰动识别结果为：
[0046][0047]
式中，为正序数据分类结果，y1为正序扰动识别结果；
[0048]
比较负序相似性度量值和负序相似性阈值，获得负序扰动识别结果为：
[0049][0050]
式中，为负序数据分类结果，y2为负序扰动识别结果；
[0051]
比较零序相似性度量值和零序相似性阈值，获得零序扰动识别结果为：
[0052][0053]
式中，为零序数据分类结果，y0为零序扰动识别结果。
[0054]
进一步地，比较正序扰动识别结果、负序扰动识别结果和零序扰动识别结果，获得启发式判断层的输出为：
[0055][0056]
式中，y
out
为启发式判断层的输出。
[0057]
与现有技术相比，本发明可以不需要准确的电网数学模型和对电力系统扰动过程的详细分析，而是由仿真数据和历史运行数据驱动，利用人工智能技术实现扰动多分类识别，可以同时进行离线学习和在线学习，为电力系统的安全性和决策提供辅助；考虑了对未知扰动的判定，从而克服传统的扰动识别方法只能将扰动识别为某一已知扰动的不足，避
免了对未知扰动类型的误分类。
附图说明
[0058]
图1为本发明基于深度学习考虑未知扰动类型的电力系统扰动识别方法的示意图。
[0059]
图2为基于深度神经网络的电力系统扰动识别复合模型的结构示意图。
[0060]
图3为启发式判断层的示意图。
具体实施方式
[0061]
下面结合附图和具体实施例对本发明基于深度学习考虑未知扰动类型的电力系统扰动识别方法作进一步说明。
[0062]
请参阅图1，本发明公开了一种基于深度学习考虑未知扰动类型的电力系统扰动识别方法，包括以下步骤：
[0063]
s1、根据电力系统参数，利用电网暂态仿真数据和电网历史运行数据，获取各类扰动发生时正序电压、负序电压、零序电压的时间序列数据，生成电力系统的时间序列扰动数据集。
[0064]
s2、采用滤波技术对电力系统的时间序列扰动数据集进行去噪。
[0065]
s3、根据特征指标对时间序列扰动数据集进行特征提取，获得扰动特征数据并以扰动特征数据对应的扰动类型为标签，生成扰动识别特征样本集，并划分为训练集和测试集。
[0066]
s4、构建包含深度神经网络和启发式判断层的基于深度神经网络的电力系统扰动识别复合模型，利用训练集数据及其对应的扰动类型标签对深度神经网络进行训练。
[0067]
s5、将测试集数据输入基于深度神经网络的电力系统扰动识别复合模型，深度神经网络输出预分类结果，根据预分类结果以及测试集数据与训练集数据的相似性判定，启发式判断层输出考虑未知扰动类型的最终扰动识别结果。
[0068]
具体地，电力系统参数包括电力系统的网架结构、电力系统所含电气设备的物理参数，以及不同运行方式下的发电机组出力和负荷需求数据。电网暂态仿真数据为电网通过各种可进行电力系统暂态仿真计算的分析软件(如psasp、psd-bpa、matlab、simulink)进行暂态计算仿真生成数据。电网历史运行数据为电网实际运行期间，发生扰动时所记录下来的时间序列的母线电压的历史运行数据。各类扰动发生时正序电压、负序电压、零序电压的时间序列数据为母线发生单相短路接地、两相短路、两相短路接地、三相短路、感应电机自启动或其他不同类型扰动时，母线的正序电压幅值、负序电压幅值、零序电压幅值和相位的时间序列数据。
[0069]
输入ieee标准3机9节点测试系统的参数，包括电力系统的网架结构、电力系统所含电气设备的物理参数，以及不同运行方式下的发电机组出力和负荷需求数据。
[0070]
针对单相短路接地、两相短路、两相短路接地、三相短路、感应电机自启动等多种不同的扰动类型，分别在一定范围内随机设置故障发生母线、故障开始和切除时间、故障电阻，进行电磁暂态仿真，并将仿真结果数据保存，包括一定时间窗内故障发生母线的正序、负序和零序电压幅值和相位的时间序列数据。
[0071]
本发明方法不需要准确的电网数学模型和对电力系统扰动过程的详细分析，因此在实际电力系统历史数据不足的情况下，可以利用任意电力系统暂态仿真平台生成仿真数据，扩充数据集。
[0072]
考虑到电网暂态仿真数据和电网历史运行数据存在噪声问题，对每一条时间序列扰动数据集进行滑动平均值滤波，滤波公式为：
[0073][0074]
式中，k为滤波器窗口长度，为滤波前数据，{xi,i＝1,2,...,n-k 1}为滤波后的数据。
[0075]
进行特征提取时，选取的特征指标包括峭度因子、时序总变化量、c3系数、fft频谱中心、功率谱密度和标准差。
[0076]
对去噪后的每一条时间序列扰动数据集，分别计算其峭度因子k、时序总变化量c
abs
、c3系数、fft频谱中心c
fft
、功率谱密度s
xx
(m)和标准差σ共6个特征指标。
[0077]
对于一条时间序列扰动数据集{xi,i＝1,2,...,n}，峭度因子k衡量扰动波形的平缓程度，峭度因子k的公式为：
[0078][0079]
式中，xi为时间序列扰动数据集中的第i个数据，n为一条时间序列扰动数据集的长度，为时间序列扰动数据集的平均值。
[0080]
时序总变化量c
abs
衡量扰动波形的变化幅度，时序总变化量c
abs
的公式为：
[0081][0082]
式中，x
i 1
为时间序列扰动数据集中的第i 1个数据。
[0083]
c3系数衡量扰动波形的非线性程度，c3系数的公式为：
[0084][0085]
式中，x
i 2lag
为时间序列扰动数据集中的第i 2lag个数据，x
i lag
为时间序列扰动数据集中的第i lag个数据，lag为人为设置的表示相位滞后的整数。
[0086]
fft频谱中心c
fft
衡量扰动波形的频域分布，fft频谱中心c
fft
为扰动数据的离散傅里叶变换绝对值的频谱中心，n点离散傅里叶变换的公式为：
[0087][0088]
式中，e为自然底数。
[0089]
功率谱密度s
xx
(m)衡量扰动波形的功率谱分布，功率谱密度s
xx
(m)的公式为：
[0090][0091]
式中，
*
表示共轭。
[0092]
标准差σ衡量扰动波形的统计分布，标准差σ的公式为：
[0093][0094]
从而将每一条高维的时间序列扰动数据集{xi,i＝1,2,...,n}都降维为6维的扰动特征数据{k,c
abs
,c3,c
fft
,s
xx
(m),σ}。再以每条扰动特征数据所对应的扰动类型为标签y，将扰动特征数据归集，生成电力系统扰动识别特征样本集，并划分为训练集和测试集。
[0095]
请参阅图2，为了综合利用正序电压、负序电压、零序电压所蕴含的扰动信息，提高分类模型的精度和鲁棒性，本发明构建了包含深度神经网络和启发式判断层的基于深度神经网络的电力系统扰动识别复合模型，如图2所示，深度神经网络包括深度神经网络1、深度神经网络2和深度神经网络0。
[0096]
利用训练集数据及其对应的扰动类型标签对深度神经网络进行训练，训练集数据包括正序训练集数据、负序训练集数据和零序训练集数据，正序训练集数据及其对应的扰动类型标签训练得到深度神经网络1，负序训练集数据及其对应的扰动类型标签训练得到深度神经网络2，零序训练集数据及其对应的扰动类型标签训练得到深度神经网络0。
[0097]
将测试集数据输入基于深度神经网络的电力系统扰动识别复合模型，测试集数据包括正序测试集数据、负序测试集数据和零序测试集数据。正序测试集数据输入到深度神经网络1中，得到正序数据分类结果，负序测试集数据输入到深度神经网络2中，得到负序数据分类结果，零序测试集数据输入到深度神经网络0中，得到零序数据分类结果。将正序数据分类结果、负序数据分类结果、零序数据分类结果分别输入到启发式判断层中，启发式判断层的流程如图3所示。
[0098]
请参阅图3，启发式判断层内，分别比较正序测试集数据与正序数据分类结果对应的正序训练集数据、负序测试集数据与负序数据分类结果对应的负序训练集数据、零序测试集数据与零序数据分类结果对应的零序训练集数据，获得正序相似性度量值、负序相似性度量值和零序相似性度量值分别为：
[0099][0100]
式中，sim1为正序相似性度量值，sim2为负序相似性度量值，sim0为零序相似性度量值，为正序测试集数据，为负序测试集数据，为零序测试集数据，x
y1
为正序训练集数据，x
y2
为负序训练集数据，x
y0
为零序训练集数据。
[0101]
启发式判断层内，分别比较正序训练集数据、负序训练集数据、零序训练集数据中
的任意两条数据，获得正序相似性阈值、负序相似性阈值和零序相似性阈值分别为：
[0102][0103]
式中，为正序相似性阈值，为负序相似性阈值，为零序相似性阈值，xa和xb为对应训练集数据中的任意两条数据。
[0104]
启发式判断层内，将正序相似性度量值sim1与正序相似性阈值作比较，判断正序测试集数据与正序训练集数据的相似性，获得正序扰动识别结果为：
[0105][0106]
式中，为正序数据分类结果，y1为正序扰动识别结果。
[0107]
启发式判断层内，将负序相似性度量值sim2与负序相似性阈值作比较，判断负序测试数据与负序训练集数据的相似性，获得负序扰动识别结果为：
[0108][0109]
式中，为负序数据分类结果，y2为负序扰动识别结果。
[0110]
启发式判断层内，将零序相似性度量值sim0与零序相似性阈值作比较，判断零序测试数据与零序训练集数据的相似性，获得零序扰动识别结果为：
[0111][0112]
式中，为零序数据分类结果，y0为零序扰动识别结果。
[0113]
启发式判断层内，比较正序扰动识别结果、负序扰动识别结果和零序扰动识别结果，获得启发式判断层的输出为：
[0114][0115]
式中，y
out
为启发式判断层的输出。
[0116]
启发式判断层的输出y
out
即为基于深度神经网络的电力系统扰动识别复合模型输出的最终扰动识别结果。
[0117]
将本发明方法及两个其他方法进行了对比实验，其中，对比方法1进行了特征提取，但仅使用普通的全链接神经网络作为分类器，对比方法2既未进行特征提取，又仅使用
全链接神经网络作为分类器，对比实验结果如表1所示。从模型训练用时的比较结果可以看出，通过特征提取对输入数据进行降维，能够大大减小模型训练和单次运行的时长。从分类精度的比较结果能够看出，鲁棒特征提取和复合分类模型的使用，能够提高模型的精度，这是因为本发明所提方法更能够捕捉数据的核心特征，且复合模型的稳定性更高。对于未知扰动，传统的神经网络分类器只能输出已知的类别，因此，对比方法1、对比方法2完全无法判别未知扰动，而本发明所提方法中的启发式判断层能够很好地识别未知扰动。
[0118]
表1
[0119][0120]
综上所述，本发明可以不需要准确的电网数学模型和对电力系统扰动过程的详细分析，而是由仿真数据和历史运行数据驱动，利用人工智能技术实现扰动多分类识别，可以同时进行离线学习和在线学习，为电力系统的安全性和决策提供辅助；考虑了对未知扰动的判定，从而克服传统的扰动识别方法只能将扰动识别为某一已知扰动的不足，避免了对未知扰动类型的误分类。
[0121]
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。